YORKTOWN HEIGHTS (ÉTAT DE NEW YORK), le 10 septembre 2026 – IBM (NYSE : IBM) et la NASA ont annoncé aujourd’hui la mise à disposition en open source du « NASA‑IBM Lunar Foundation Model », l’un des premiers modèles de fondation accessibles au public pour l’exploration scientifique de la Lune, désormais disponible sur Hugging Face. Entraîné à partir d’un vaste ensemble de données d’observation lunaire constitué par des chercheurs d’IBM et de la NASA, ce modèle peut aider les scientifiques à transformer des décennies de données complexes issues de multiples instruments en informations utiles pour soutenir l’installation à long terme d’une présence humaine sur la Lune.

La topographie de la Lune évolue constamment. Au fil du temps, sa surface s’est couverte de cratères, a vu apparaître de la glace et a même connu une activité volcanique. Pendant des décennies, des capteurs et des instruments ont observé la Lune en continu, générant des pétaoctets de données. Toutefois, pour étudier sa surface, les scientifiques doivent soit analyser manuellement des cartes et des images ou utiliser des modèles d’apprentissage automatique spécialisés et de faible résolution. Le modèle « Lunar Foundation Model » nouvellement publié aidera les chercheurs à faire progresser la science plus rapidement en identifiant les relations cachées entre de nombreux types et résolutions de données lunaires.

Les chercheurs pourraient utiliser le modèle « Lunar Foundation Model » développé conjointement par la NASA et IBM pour étudier plusieurs phénomènes lunaires, notamment :

• Dépôts potentiels de glace lunaire : Les régions en ombre permanente figurent parmi les environnements les plus difficiles à observer sur la Lune, mais elles pourraient contenir de la glace lunaire sous la surface. La glace lunaire indique la présence d’eau et d’oxygène, des ressources considérées comme essentielles à l’établissement d’une future base lunaire et à la production de carburant pour d’éventuelles missions vers Mars. Le modèle NASA‑IBM combine des observations multimodales et à résolutions multiples pour prédire les zones où de la glace pourrait être présente à la surface de la Lune. Il a permis de réduire de 23 % l’erreur d’identification des zones à fort potentiel de glace lunaire par rapport au modèle SwinV2‑B (ImageNet) ¹

• Histoire volcanique : Les scientifiques étudient les formations volcaniques lunaires, appelées Irregular Mare Patches (IMP), afin de mieux comprendre l’histoire volcanique de la Lune et son évolution thermique. De plus, l’identification de ces régions en constante évolution présente un intérêt stratégique pour les futures opérations à la surface. À partir d’annotations imparfaites, le modèle a permis de mieux délimiter l’étendue de ces formations volcaniques que le modèle SwinV2‑B (ImageNet), avec une amélioration de 3 %, tout en offrant une précision comparable, une efficacité accrue et des coûts d’ajustement inférieurs. ²

• Détection des cratères : Les cratères figurent parmi les caractéristiques les plus importantes et distinctives de la Lune. Ils peuvent fournir des indices essentiels sur son histoire, notamment sur l’âge de différents terrains, leur géologie et la composition chimique des couches internes primitives de la Lune. La cartographie des cratères aide également la NASA à sélectionner des sites d’atterrissage sûrs, à éviter les dangers tels que les pentes raides et les rochers, et à planifier l’emplacement d’infrastructures lunaires à long terme. Grâce au modèle, les chercheurs peuvent désormais identifier, contextualiser et classer les cratères avec une résolution de l’ordre du mètre et une précision comparable à celle des modèles de pointe comme SwinV2‑B, tout en bénéficiant d’une meilleure efficacité et de coûts de mise au point réduits. À l’échelle contextuelle (environ 100 mètres), le modèle dépasse les performances de SwinV2‑B de près de 19 % en utilisant seulement la moitié des données d’entraînement. ³

« La NASA a rassemblé au fil des décennies un volume considérable de données scientifiques sur la Lune, mais la collecte de données n'est qu'une partie du travail », a déclaré Kevin Murphy, chief science data officer and acting chief data and AI officer au siège de la NASA à Washington. « Nous devons également permettre aux scientifiques d'explorer et d'exploiter plus facilement ces données. Le modèle de fondation lunaire développé par la NASA et IBM montre ce qu'il est possible de réaliser lorsque l'on applique l'IA aux pétaoctets de données scientifiques de la NASA. C'est là toute la promesse de l'IA : transformer des volumes massifs de données en nouvelles découvertes. »

« Percer les mystères de la Lune exige la capacité d’exploiter un volume extraordinaire de données scientifiques », a déclaré Juan Bernabe‑Moreno, director of IBM Research Europe, Royaume‑Uni et Irlande. « Le modèle de fondation lunaire NASA‑IBM fournit aux scientifiques une base leur permettant d’explorer la Lune à grande échelle, en reliant les observations provenant de différents instruments, en révélant des tendances difficiles à déceler lorsqu’elles sont analysées isolément, et en mettant à la disposition une plateforme ouverte sur laquelle la communauté scientifique mondiale peut s’appuyer. »

Malgré l’abondance des données sur la Lune disponibles, aucun ensemble de données public et unifié ne réunissait jusqu’ici des données multimodales et à résolutions multiples dans un cadre commun adapté à l’apprentissage automatique moderne. Parallèlement au modèle, les scientifiques d’IBM et de la NASA ont créé le premier ensemble de données lunaires open source de ce type : un corpus harmonisé et prêt pour l’apprentissage automatique regroupant plus de 30 couches spatialement alignées provenant de neuf instruments répartis sur quatre missions. Cet ensemble de données rassemble des dizaines de milliers d’images et de cartes illustrant les propriétés géophysiques uniques de la surface lunaire, tirées du Lunar Reconnaissance Orbiter (LRO) de la NASA et de la mission GRAIL de la NASA. Il intègre également des données lunaires complémentaires de la mission SELENE/Kaguya de la Japanese Aerospace Exploration Agency, offrant ainsi à la communauté scientifique un portrait multimodal riche de la surface et du sous-sol lunaires sur lequel les chercheurs pourront s’appuyer.

Ce modèle s’inscrit dans le prolongement d’une collaboration établie entre IBM et la NASA visant à transformer des données scientifiques précieuses en fondations accessibles à l’ensemble de la communauté scientifique pour favoriser la découverte. En publiant ce modèle en open source, IBM et la NASA donnent aux scientifiques et aux chercheurs accès à des systèmes d’IA de pointe capables d’accélérer les progrès en exploration lunaire. Le modèle rejoint la famille Prithvi de modèles fondamentaux ouverts disponibles sur Hugging Face, qui couvre déjà les domaines de la géospatiale, de la météorologie, de l’héliophysique et désormais de la recherche lunaire. Ensemble, ces modèles soutiennent une vision plus large : plutôt que de développer un nouveau système algorithmique pour chaque question scientifique, les chercheurs peuvent partir d’un modèle partagé et l’adapter à de nouvelles tâches afin d’accélérer les découvertes dans de multiples domaines.

À propos d’IBM

IBM est un chef de file mondial en matière de nuage hybride, d’intelligence artificielle et de services-conseils. Nous aidons nos clients dans plus de 175 pays à capitaliser sur les informations issues de leurs données, à rationaliser leurs processus d’affaires, à réduire leurs coûts et à obtenir un avantage concurrentiel dans leurs secteurs d’activité. Des milliers d’organisations gouvernementales et corporatives œuvrant dans des secteurs d’infrastructures essentielles comme les services financiers, les télécommunications et les soins de santé s’appuient sur la plateforme de nuage hybride d’IBM et sur Red Hat OpenShift pour réaliser leurs transformations numériques rapidement, efficacement et en toute sécurité. Les innovations révolutionnaires d’IBM en matière d’intelligence artificielle, d’informatique quantique, de solutions infonuagiques propres à certains secteurs et de services-conseils offrent des options ouvertes et flexibles à nos clients. Tout cela repose sur l’engagement de longue date d’IBM en matière de confiance, de transparence, de responsabilité, d’inclusion et de service.

^1.“Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing”, pg 15 (rédigé par IBM & la NASA)